降水是地球水资源循环的重要环节,对于研究全球气候变化和监测自然灾害有重要意义。西藏地区位于青藏高原,针对其降水强度等级估计面临地面观测站点稀少,基于云团物理特征的传统方法易受高亮地表及复杂下垫面的影响。使用高分辨率的风云四号A星（Feng Yun-4A,FY-4A）作为主要数据源,通过深度学习算法研究适用于西藏高原地区的降水云团识别及降水强度等级估计算法,准确地估计三十分钟内的降水强度等级。提出一种基于改进DeepLab v3的降水云团识别算法,利用空洞卷积构建多尺度采样模块,并且加入注意力机制提取深层高维特征,优化上采样方式,有效地解决正负样本不平衡,小降水云团特征提取不充分和云团轮廓特征易被遗漏的问题。将所提方法与原始DeepLab v3等模型在测试集上对比,实验结果表明所提的改进DeepLab v3算法具备更好的识别性能与泛化性能。降水云团识别结果更为准确,平均交并比（Mean Intersection over Union,MIoU）达到0.95,与原始DeepLab v3相比精度提高了15.54个百分点。在小目标、非平衡数据集下,该方法可以更准确地识别出降水云团。提出一个基于深度可分离卷积的降水强度等级估计模型Small Wisely Network（SWNet）,在保证算法性能的同时大大减少了参数量。首先通过消融实验来确定不同通道及通道差对于降水强度等级估计的重要性,然后加入地形信息作为辅助输入数据,最后与现有的高性能降水估计模型Precipitation Estimation from Remotely Sensed Information Using Artificial Neural Networks–Convolutional Neural Networks（PERSIANN-CNN）与UNet作对比。实验结果表明SW-Net提供了更加精准的降水强度估计,且各项精度指标都有所提高,尤其是平均交并比（Mean Intersection over Union,MIoU）比PERSIANNCNN（U-Net）提高7.42（4.64）个百分点,说明所提出的模型有更好的特征提取能力。SW-Net的误差最低,损失值和误报率（False Alarm Ratio,FAR）比PERSIANN-CNN（UNet）分别减少了23.89%（41.58%）和18.27%（30.00%）,说明所提出的模型精度更高。为了分析SW-Net的适用性,将其应用在华北平原和长江中下游也取得了较好的实验结果。与PERSIANN-CNN（U-Net）相比也有更好的性能表现,MIoU提高了5个百分点以上,FAR大幅降低超过49%。说明SW-Net不受地形因素的限制,同时适用于平原与高原地区。